Czy Image Recognition nadaje się dla sieci handlowych?
Image Recognition to bardzo przydatne narzędzie, z którego coraz częściej korzystają producenci z branży FMCG oferujący swoje produkty w sklepach detalicznych. Od niedawna tym rozwiązaniem interesują się także sieci handlowe, które z roku na rok zwiększają udział marek własnych na półkach. W tym przypadku detaliści, podobnie jak producenci, muszą zadbać o odpowiednią ekspozycję oraz dostępność produktów własnych w punktach sprzedaży. Ponadto narzędzie Image Recognition może być wykorzystane przez pracowników sklepów – w imieniu producentów. Wówczas wykonują oni zdjęcia samodzielnie i przesyłają je do dostawcy w kanale wirtualnym. Możliwości wykorzystania Image Recognition w branży retail jest zatem kilka.
Jak Image Recognition może pomóc w działaniach sprzedażowych sieci handlowych?
Image Recognition może stanowić prawdziwą wartość dla sieci handlowych, które coraz częściej generują dane w punktach sprzedaży. W porównaniu do tradycyjnego (ręcznego) audytu sklepu, badanie półki za pomocą Image Recognition jest znacznie szybsze, bardziej precyzyjne i tańsze. Pozwala na pozyskanie większej ilości dobrej jakości obiektywnych danych. Sam proces ich gromadzenia wymaga znacznie mniejszego zaangażowania i kontroli, a uzyskany efekt z pewnością jest znacznie lepszy od tego, który do tej pory uzyskiwaliśmy za pomocą bardziej tradycyjnych metod.
A jak Image Recognition działa w praktyce?
Rozwiązanie IR pozwala na zbieranie danych w oparciu o wykorzystanie zdjęć półek sklepowych, szybkie ich przetworzenie oraz automatyczne przełożenie pozyskanych danych na wskaźniki KPI. Mogą one dotyczyć takich obszarów jak np. obecność, udziały półkowe, lokalizacja, liczba facingów, prawidłowość eksponowanego asortymentu, widoczność cen, obecność produktów obcych czy widoczność materiałów POS itp.
Dzisiaj pytaniem nie jest zatem czy detaliści powinni wdrożyć Image Recognition, ale jak to zrobić sensownie i efektywnie?
Zdecydowanie tak. Dane to z pewnością nie wszystko. Co z tego, że szybko je pozyskamy, jeśli nie wiemy, jak je dalej interpretować i wykorzystać? Dlatego też praca z Image Recognition ma sens wtedy, kiedy w następnym kroku (za pomocą kolejnych elementów Sztucznej Inteligencji) możemy wygenerować insighty ze zgromadzonych informacji, czyli konkretną wiedzę na temat sytuacji w sklepie. Jesteśmy w stanie wówczas szybciej i precyzyjniej wyłapywać szanse sprzedażowe, poznawać zagrożenia czy odkrywać nasze słabe i mocne strony.
Jeśli połączymy Image Recognition z takimi elementami AI jak Machine Learning czy Deep Learning, otrzymamy rozwiązanie praktycznie doskonałe. Będziemy w stanie gromadzić dużą ilość danych szybko i sprawnie. Następnie „wyłapywać” w nich zależności, tworzyć clustry i opisywać ich właściwości. Na tej podstawie będziemy mogli generować sugestie najlepszych działań dla użytkowników. Takich, których prawdopodobieństwo zakończenia się sukcesem jest największe. Będziemy wtedy podejmować dobre decyzje, zwiększać efektywność działania, więcej zarabiać czy zmniejszać koszty operacyjne.
Przed uruchomieniem takiego projektu warto się jeszcze upewnić, że nasze AI pokryje w całości proces biznesowy: od zbierania danych, poprzez agregację form i źródeł, aż do dostarczenia odpowiednich wniosków do odpowiednich osób. Należy upewnić się, że w celu faktycznej obiektywności rezultatów analiz, nie ma konieczności manualnego agregowania informacji w arkuszach kalkulacyjnych, które potem muszą być odpowiednio zaadaptowane dla każdego z potencjalnych adresatów przy dodatkowym zderzeniu z danymi z innych źródeł. Nic nie może być „częściowo obiektywne” – jakakolwiek manipulacja danymi zawsze zaburzy rezultaty. Dlatego odpowiedzią jest np. zastosowanie platformy analitycznej OneView, która jest źródłem informacji i sugestii realizowanych za pomocą różnych narzędzi (np. Image Recognition).
Dziękuję za rozmowę.
Joanna Kowalska
Image Recognition to bardzo przydatne narzędzie, z którego coraz częściej korzystają producenci z branży FMCG oferujący swoje produkty w sklepach detalicznych. Od niedawna tym rozwiązaniem interesują się także sieci handlowe, które z roku na rok zwiększają udział marek własnych na półkach. W tym przypadku detaliści, podobnie jak producenci, muszą zadbać o odpowiednią ekspozycję oraz dostępność produktów własnych w punktach sprzedaży. Ponadto narzędzie Image Recognition może być wykorzystane przez pracowników sklepów – w imieniu producentów. Wówczas wykonują oni zdjęcia samodzielnie i przesyłają je do dostawcy w kanale wirtualnym. Możliwości wykorzystania Image Recognition w branży retail jest zatem kilka.
Jak Image Recognition może pomóc w działaniach sprzedażowych sieci handlowych?
Image Recognition może stanowić prawdziwą wartość dla sieci handlowych, które coraz częściej generują dane w punktach sprzedaży. W porównaniu do tradycyjnego (ręcznego) audytu sklepu, badanie półki za pomocą Image Recognition jest znacznie szybsze, bardziej precyzyjne i tańsze. Pozwala na pozyskanie większej ilości dobrej jakości obiektywnych danych. Sam proces ich gromadzenia wymaga znacznie mniejszego zaangażowania i kontroli, a uzyskany efekt z pewnością jest znacznie lepszy od tego, który do tej pory uzyskiwaliśmy za pomocą bardziej tradycyjnych metod.
A jak Image Recognition działa w praktyce?
Rozwiązanie IR pozwala na zbieranie danych w oparciu o wykorzystanie zdjęć półek sklepowych, szybkie ich przetworzenie oraz automatyczne przełożenie pozyskanych danych na wskaźniki KPI. Mogą one dotyczyć takich obszarów jak np. obecność, udziały półkowe, lokalizacja, liczba facingów, prawidłowość eksponowanego asortymentu, widoczność cen, obecność produktów obcych czy widoczność materiałów POS itp.
Dzisiaj pytaniem nie jest zatem czy detaliści powinni wdrożyć Image Recognition, ale jak to zrobić sensownie i efektywnie?
Zdecydowanie tak. Dane to z pewnością nie wszystko. Co z tego, że szybko je pozyskamy, jeśli nie wiemy, jak je dalej interpretować i wykorzystać? Dlatego też praca z Image Recognition ma sens wtedy, kiedy w następnym kroku (za pomocą kolejnych elementów Sztucznej Inteligencji) możemy wygenerować insighty ze zgromadzonych informacji, czyli konkretną wiedzę na temat sytuacji w sklepie. Jesteśmy w stanie wówczas szybciej i precyzyjniej wyłapywać szanse sprzedażowe, poznawać zagrożenia czy odkrywać nasze słabe i mocne strony.
Jeśli połączymy Image Recognition z takimi elementami AI jak Machine Learning czy Deep Learning, otrzymamy rozwiązanie praktycznie doskonałe. Będziemy w stanie gromadzić dużą ilość danych szybko i sprawnie. Następnie „wyłapywać” w nich zależności, tworzyć clustry i opisywać ich właściwości. Na tej podstawie będziemy mogli generować sugestie najlepszych działań dla użytkowników. Takich, których prawdopodobieństwo zakończenia się sukcesem jest największe. Będziemy wtedy podejmować dobre decyzje, zwiększać efektywność działania, więcej zarabiać czy zmniejszać koszty operacyjne.
Przed uruchomieniem takiego projektu warto się jeszcze upewnić, że nasze AI pokryje w całości proces biznesowy: od zbierania danych, poprzez agregację form i źródeł, aż do dostarczenia odpowiednich wniosków do odpowiednich osób. Należy upewnić się, że w celu faktycznej obiektywności rezultatów analiz, nie ma konieczności manualnego agregowania informacji w arkuszach kalkulacyjnych, które potem muszą być odpowiednio zaadaptowane dla każdego z potencjalnych adresatów przy dodatkowym zderzeniu z danymi z innych źródeł. Nic nie może być „częściowo obiektywne” – jakakolwiek manipulacja danymi zawsze zaburzy rezultaty. Dlatego odpowiedzią jest np. zastosowanie platformy analitycznej OneView, która jest źródłem informacji i sugestii realizowanych za pomocą różnych narzędzi (np. Image Recognition).
Dziękuję za rozmowę.
Joanna Kowalska
